タイトルカードには「Scribe v3:1.95%で2位」、サブタイトルには「非ストリーミングAA-WER Index、2026年11月」と表示され、横には3本のバーによる表彰台があり、1.73%のプレビュー、銀色に暖色のアクセントを添えた1.95%のScribe v3、そして2.04%とラベル付けされ、フッターには「数値はArtificial Analysis、AA-WER v2.2による」と表示されている。
Guides & Insights

ElevenLabs Scribe v3:AA-WERで1.95%を記録して2位、プレビュー版に後れを取る

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

ElevenLabs Scribe v3の見出し数字は単語誤り率1.95%で、Artificial AnalysisのAA-WER v2.2非ストリーミングボードでは2位、AlibabaのFun-Realtime-ASR-preview(1.73%)に次ぎ、Microsoft AIのMAI-Transcribe-2(2.04%)を上回っている。この文は正確であり、同時にこの結果を読むうえで最も役に立たない読み方でもある。なぜなら1.95%は測定値ではなく、3つの異なるテストセットの加重平均であり、そのうちの1つではScribe v3は2位ですらない。1位であり、上の順位にあるモデルを上回っている。ElevenLabsは2026年11月9日にScribe v3をリリースし、同じAPI呼び出しでScribe v2を置き換え、11月17日にすべてのScribeモデルの価格を下げた。10日が経った今、興味深い問いはもはやモデルが優れているかどうかではない。3つの数字のうちどれを信じるべきか、である。

1.95%は実際に何で構成されているのか

Artificial Analysisはモデルごとに1つのWERを公表しているわけではない。3つのクリーン化済みコーパスから構築された複合指標(AA-WER Index)を公表している。各コーパスは異なる失敗モードを持つ。LibriVox形式のオーディオブックからの朗読音声、欧州議会からの議会音声、アクセントのある英語による自発的な複数話者の決算説明会通話である。それらを平均して単一の指標にすることは便利ではあるが、調達ツールとしては不適切である。なぜなら3つは同じモデルを同じようには順位付けしないからだ。

トップ4について、現在のボードが示している内容を内訳として示します。以下の数値はすべてArtificial Analysis独自のもので、丸められた表示ではなくボードのデータペイロードから読み取ったものです:

• 複合AA-WER — Fun-Realtime-ASR-preview 1.73%、Scribe v3 1.95%、MAI-Transcribe-2 2.04%、Scribe v2 2.18%。

• 中核となるAA-STTセット — Scribe v3 1.47%、Scribe v2 1.51%、MAI-Transcribe-2 1.83%、Fun-Realtime-ASR-preview 1.97%。この項目ではScribe v3が完全に勝利し、その上にランクされたモデルが4つの中で最下位となる。

• VoxPopuli(議会)— Fun-Realtime-ASR-preview 1.17%、MAI-Transcribe-2 1.50%、Scribe v3 1.52%、Scribe v2 1.74%。ここではScribe v3が3位で、Microsoftにわずかに及ばない。

• Earnings-22(自発話、なまりあり、複数話者) — Fun-Realtime-ASR-preview 1.80%、MAI-Transcribe-2 2.99%、Scribe v3 3.34%、Scribe v2 3.95%。ここで順位が最も大きく逆転します。Microsoft が ElevenLabs を 0.35 ポイント上回り、総合スコアの 0.09 ポイント差は消えます。

Bar chart titled 'The 1.95% is an average of four different rankings', showing word error rate for Scribe v3, Scribe v2, MAI-Transcribe-2 and Fun-Realtime-ASR-preview across four corpora — composite, core AA-STT, VoxPopuli and Earnings-22 — with Scribe v3 highlighted in blue at 1.95%, 1.47%, 1.52% and 3.34% and a footer crediting Artificial Analysis AA-WER v2.2, read 20 November 2026.

この傾向は偶然ではない。Scribe v3 はクリーンな朗読音声で最も強く、実際の会議に似たコーパス——話者の声が重なる、非流暢性、電話帯域、訛り——で最も弱い。これはまた、多くの企業購入者が実際に重視するコーパスでもあり、そのため総合スコアの順位とコンタクトセンターでの実体験が食い違うことがある。音声がポッドキャストやスタジオインタビューなら、1.47% という数字のほうが 1.95% よりもあなたの環境に近い。営業電話なら 3.34% のほうが近い。

その上にあるモデルはプレビュー版です。

Fun-Realtime-ASR-previewは総合スコアで首位に立ち、それを易しいコーパスではなく最も難しい2つのコーパスでの強さによって成し遂げている。また、速度倍率の中央値20.3で動作し——実時間のおよそ20分の1——音声1時間の処理に約3分かかることを意味し、1,000分あたり2.82ドルで掲載されている。Scribe v3は実時間の76.8倍で文字起こしし、1,000分あたり3.33ドルである。つまり首位のものはより遅く、おおむね安く、previewと名乗っている。

そうした点があってもランキングが誤りになるわけではない。このインデックスは準備状況ではなく精度を測っている。ただ、「Scribe v3は2位」という文は、1位を本番モデルが占めていることを示唆してしまい、実際にはそうではない。A​libabaのエントリには、ボード上にリリース日がなく、公開された言語別の内訳もなく、識別子に「preview」という語が含まれている。今四半期にベンダーを選ぶチームは、出荷済みの製品と評価用ビルドを比較していることになり、両者の0.22ポイント差は、同じインデックス内の2つのコーパス間の差よりも小さい。

v2からv3へ、2通りの方法で測定

ElevenLabsがScribe v3について発表した自社のローンチ時数値は、社内で実施したFLEURS実行において102言語全体でScribe v2比27%の単語エラー削減、16.94%から12.38%への低下であり、テストしたすべての言語で改善が主張されている。さらに、話者分離エラーが12%減少し、3人以上の話者がいる場合は17%減少するという。これらはベンダー公表値であり、公開ベンチマークのベンダー独自版で実行されたもので、ElevenLabsは、同社のFLEURS平均はコーパス全体ではなく言語ごとの平均であるため、公表されているFLEURSの数値とは比較できないと異例なほど率直に認めている。

Artificial Analysisが独自のハーネスで実行した結果では、改善幅はより小さく、総合スコアで2.18%から1.95%へ、相対で約11%、スループットで53.5倍から76.8倍となっている。両方の記述は真であり得る。多言語FLEURSでの相対27%の改善と、3つの英語コーパスでの相対11%の改善は別々のものを測っており、その差こそが発表資料の中で最も有用な事実だ。これは、勝利が英語の朗読音声の外側に集中していることを示しており、まさにベンダーが注力したと述べている領域である。

Screenshot of the ElevenLabs Speech to Text documentation page showing its model cards: Scribe v3 as the most accurate speech recognition model for recorded audio with 27% fewer word errors than Scribe v2 on FLEURS, diarization to 32 speakers, keyterm prompting up to 1,000 terms and word-level timestamps, alongside the Scribe v3 Live card claiming 44% lower semantic WER than Scribe v2 Realtime.

2世代間の機能差分は、マーケティングが示唆するほど大きくはありません。Scribe v3はv2の機能セットを維持しています。話者分離で最大32話者、バッチ処理で1,000キーターム、単語レベルのタイムスタンプ、エンティティ検出、トランスクリプト編集、SRTおよびDOCXへのエクスポートです。さらに、録音に対する自動言語推論、数値形式の制御、セカンダリ言語コードを追加し、リアルタイム側では10,000タームのキータームライブラリとターン予測を追加しています。一方で、削除されたものもあります。逐語モードがありません。MicrosoftのMAI-Transcribe-2は、1つのスイッチで逐語スタイルとクリーンスタイルの両方を提供しており、コンプライアンスおよびQA用のトランスクリプトにとって、それは見た目上の違いではなく機能上の違いです。

11月17日が算術に何をもたらしたか

提供開始から8日後、ElevenLabsはSpeech to Textの料金を全面的に引き下げた。セルフサーブプランとBusinessプランで、Scribeの全モデルについて、バッチ文字起こしは時間あたり$0.20、リアルタイムは時間あたり$0.22とした。これは1,000分あたり$3.33と$3.67になる。この数字が精度表を意思決定に使えるものにする。なぜなら旧料金ではMicrosoftに対する0.09ポイントの精度劣位を正当化するのは容易だったが、新料金では価格差こそが唯一の論点になるからだ。

Screenshot of the ElevenLabs changelog entry headed 'Lower Speech to Text prices', stating that Speech to Text now costs $0.20 per hour for batch transcription and $0.22 per hour for realtime transcription for every Scribe model on all self-serve and Business plans, with enterprise pricing unchanged, and the November 9 and November 17, 2026 sidebar entries visible.

リーダーボードの価格列を読む際の注意点が1つあります。Scribe v3 の $3.33 はちょうど1時間あたり $0.20、Scribe v2 の $3.67 はちょうど1時間あたり $0.22 で、これらは ElevenLabs の現在の料金表におけるバッチ料金とリアルタイム料金です。異なる2つの SKU で価格設定された ElevenLabs の2行は、存在しない「1,000あたり34セントの v2 から v3 への割引」として読めてしまいます。ランキング表から価格についての結論を出す前に、トラッカーが何をサンプリングしたのか確認してください。

文字起こしの背後にあるパイプラインを構築する人には、はっきり言っておきたい。これらの音声モデルは——Scribe v3もMAI-Transcribe-2も——OrcaRouterのラインアップには入っておらず、上記の料金はElevenLabsとMicrosoftのもので、当社のものではない。当社がルーティングするのは文字起こしが流れ込む先のレイヤーだ。会議メモはあるモデルへ、コンプライアンスレビューは別のモデルへ、すべてを1つのキーの背後で、プロバイダーの定価を0%のマークアップでそのまま通し、プロバイダー間での自動フェイルオーバーも行う。これは音声パイプラインでは他の領域以上に重要だ。というのも、文字起こしは入力であって製品ではなく、製品はたいてい3回のモデル呼び出しの先にあるからだ。

次の2週間で決着すべきこと

この図から欠けているものが2つあり、どちらも一時的なものだ。1つ目はストリーミングボードだ。Scribe v3 Liveはバッチモデルと同時にリリースされ、102言語にわたりScribe v2 Realtime比で単語誤り率31%減、意味的WER43%減を主張し、さらにElevenLabsが初めて提供するリアルタイム話者分離も備える——16言語セットの英語部分で誤り率3.1%に対し、他のリアルタイムモデルは5.9%から7.3%だった。これらはベンダーに都合よく調整された参照に基づくベンダー公表値であり、ストリーミングリーダーボードにはまだこのモデルがプロットされていないため、現時点ではこの主張は確認済みではなく反証不能だ。

2つ目は医療向けバリアントの Scribe v3 Live Medical ですが、これはAPIモデルではまったくありません。ElevenAgents 内にあり、早期アクセス段階で、turn_v3 ターンモデルが必要で、個別の料金はなく、HIPAA 適格性が確認されるまで保護対象保健情報を送信しないよう求めるドキュメント上の警告が付いています。バッチAPIの医療モデルは引き続き Scribe v2 Medical です。製品ファミリーは、臨床向けバッチ製品があるべき場所に穴を残したまま登場したのです。

Scribe v3の10日間を経ての正直な一行評価はこうだ。クリーンな朗読音声では最高の非ストリーミングモデル、会議では2番目に良く、ElevenLabsがこれまでに投入した中で最速であり、そして11月17日以降は、精度の議論と価格の議論がようやく同じ方向を指すほど安くなった。ボード上でそれより上に立っている唯一のものはプレビューであり、プレビューは契約書にサインしない。